我注意到很多网页都有多余的(对于我的目的而言)html 节点。我想从页面中删除它们，因为这将使我的处理更容易。
有没有办法用 JSoup 来做到这一点？
为了让情况更清楚，假设我们有以下页面:
<html>
<head>
</head>
<body>
<div>I have some text</div>
<div class='useless'>
<div class='useless'>
<div>I also have text
<div>I also have text</div>
</div>
</div>
</div>
</body>
</html>
我想删除 class='useless' div - 但当然我不能通过它们的 class/id/tag 等来选择它们，因为它们没有内容。这当然会改变页面的结构，这完全没问题 - 它将使我的最终处理更容易。
结果将是:
<html>
<head>
</head>
<body>
<div>I have some text</div>
<div class='useless'>
<div class='useless'>
<div>I also have text
<div>I also have text</div>
</div>
</div>
</div>
</body>
</html>
这可能以简单还是困难的方式实现。
结果将是:
<html>
<head>
</head>
<body>
<div>I have some text</div>
<div>I also have text
<div>I also have text</div>
</div>
</body>
</html>
现在我想不出有什么特别优雅的事情。我的一般倾向是检查各种元素上的 ownText() 方法(将检查 ownText().length() > 0)，如果 false code> 尝试删除它们，但我认为这也会删除任何子/子元素，即使它们与 .ownText() 条件匹配 true 。
最佳答案
您可以使用Document.getAllElements()并检查每个元素是否具有ownText()。如果它什么也不做。如果没有，则将所有子节点追加到父节点(如果有)。这应该可以完成工作:
Document document = Jsoup.parse(html);
document.getAllElements().stream()
.filter(e -> e.ownText().isEmpty())
.filter(Element::hasParent)
.forEach(e -> {
e.children().forEach(e.parent()::appendChild);
e.remove();
});
您共享的代码的结果将是这样的:
<div>
I have some text
</div>
<div>
I also have text
<div>
I also have text
</div>
</div>
正如我在评论中提到的，您的 ownText() 规则 html、head 和 body 元素也应该被删除。
如果您想防止某些特殊标签被删除，您可以使用一个简单的Set或List，其中包含标签名称，应保留:
Set<String> retainTagNames = new HashSet<>(Arrays.asList("html", "body"));
Document document = Jsoup.parse(html);
document.getAllElements().stream()
.filter(e -> ! retainTagNames.contains(e.tagName()))
.filter(e -> e.ownText().isEmpty())
.filter(Element::hasParent)
.forEach(e -> {
e.children().forEach(e.parent()::appendChild);
e.remove();
});
结果将是:
<html>
<head>
</head>
<body>
<div>
I have some text
</div>
<div>
I also have text
<div>
I also have text
</div>
</div>
</body>
</html>
关于java - 使用 Jsoup 删除不包含自己文本的节点，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/56434000/